长程验证:AI Agent 长任务的收敛机制

长程验证:AI Agent 长任务的收敛机制

💡 原文中文,约3800字,阅读约需9分钟。
📝

内容提要

文章比较了 Claude Code 的 /workflows 与 Codex 的 /goal:前者用 JS 脚本编排多个子代理并行工作,后者支持长任务持续推进。作者指出,长任务真正的难题在于收敛而非执行:纵向易发生目标漂移,横向易发生错误扩散。因此应以 Gate 门禁和长程验证(完成条件、检查点、证据)确保“完成”可被证明。

🔎

延伸解读

长任务的核心矛盾:执行容易,收敛难

文章通过两个实验指出,Agent 能长时间运行或并行工作,并不等于任务能可靠完成。timetravel-agent 跑了近 30 小时,却只产出外观完整的项目,未证明 trace、replay 和语义一致性;dynamic workflows 能调度大量 subagents,但若缺少归约,只是扩大错误面。真正的工程难点在于系统能否判断任务何时可以停,而非 Agent 能否继续做。

纵向漂移与横向扩散:两种失败模式

文章区分了长任务的两种失败模式。纵向看,目标会漂移:从“实现 time travel debugger”滑向“搭 UI”或“让 demo 能打开”,最终 README 和截图齐全,核心语义却未被验证。横向看,错误会扩散:几十个 subagents 并行扩大覆盖面,但若没有 claim 抽取、证据追溯和冲突合并,并行只是放大不确定性。两者共同说明,缺少验证点的长任务容易变成长时间生成。

Gate 与长程验证:把“完成”变成可证明的事实

文章主张用 Gate 门禁和长程验证替代线性 Start 到 Done 的链路。以 timetravel-agent 为例,可设 Trace Gate、Replay Gate、UI Gate、Mismatch Gate 和 Evidence Gate,分别检查事件完整性、状态恢复、调试面板有效性、语义差异和可复查证据。长程验证应贯穿任务开始前、执行中和进入 Done 之前,包含完成条件、检查点、门禁和凭证,使“完成了”成为一组可被证明的工程事实。

并行编排的价值在归约,不在 fan-out

文章引用 /deep-research workflow 的运行数据:总 token 约 3.31M,其中 Verify 阶段约 1.76M,占比超过一半。这说明并行搜索和摘要本身不带来可信度,成本最高的部分在验证与归约。dynamic workflows 把任务状态从聊天窗口移入脚本变量和阶段输出,类似 Agent 时代的 MapReduce,但只有把 worker 结果归约成可信证据,workflow 才具备工程价值。

❓

Q&A

Claude Code 的 /workflows 和 Codex 的 /goal 分别是什么?它们有什么不同?

Claude Code 的 /workflows 是一种动态工作流机制,将多个子代理的编排逻辑写入 JavaScript 脚本,由本地运行时调度执行,支持并行子代理工作。Codex 的 /goal 则支持长任务持续推进,让 Agent 围绕一个目标在每轮结束后判断是否满足完成条件,更像一种接班机制。两者一个侧重并行编排,一个侧重纵向持续推进。

为什么说长任务真正的难题是收敛而不是执行?

因为 Agent 可以持续工作很久,也可以多个一起工作,但工程系统需要判断它什么时候真的可以停止。执行只是过程,收敛才是结果。没有验证点,长任务容易变成长时间生成,看起来完成了但实际目标并未被证明。

长任务在纵向和横向上分别容易出现什么失败模式?

纵向看,任务会漂移:原始目标可能被替换成当前最容易完成的目标,比如从“实现 time travel debugger”变成“搭一个 UI”或“让 demo 页面能打开”。横向看,错误会扩散:多个子代理并行工作扩大了覆盖面,但如果没有 claim 抽取、证据投票、冲突处理和最终归约,并行只是放大了不确定性。

什么是 Gate 门禁?它在长任务中起什么作用?

Gate 门禁是在任务关键状态之间设置的验证关卡,例如 Goal -> Plan -> Build -> Verify -> Review -> Done 中的各个 Gate。对于 time travel debugger,可以拆分为 Trace Gate、Replay Gate、UI Gate、Mismatch Gate、Evidence Gate 等。Gate 解决收敛问题,确保任务在推进过程中每个阶段都可验证,而不是只有 Start 到 Done 的线性链路。

长程验证包含哪些关键要素?应该放在什么阶段?

长程验证至少包含四件事:完成条件(done-condition)、检查点(checkpoint)、阶段之间的门禁(Gate)、产物凭证(evidence)。它不应该被放到任务结束后当作测试报告补上,而应该出现在任务开始前、执行中、进入 Done 之前。

在并行工作流中,为什么验证阶段(Verify)的成本最高?

以 /deep-research workflow 运行 Node.js Permission Model 研究为例,总 token 约 3.31M,其中 Verify 阶段约 1.76M,占比超过一半。因为并行搜索和摘要只是扩大覆盖面,如果没有交叉验证,可能只是扩大错误面。只有当 claim 被抽取、证据被追溯、冲突被合并、失败被标记时,工作流才具备工程价值,所以最贵的部分落在 reduce(归约)和验证上。

未来 Coding Agent 的竞争会集中在什么能力上?

未来 Coding Agent 的竞争会落到一个更具体的问题上:能不能把 worker 的结果归约成可信证据。并行只能扩大覆盖面,可信度来自验证关系。AI Coding 接下来要比拼的是把“完成了”变成一组可以被证明的工程事实的能力。

🏷️

标签

➡️

继续阅读